Contexte : Un modèle de prédiction de churn montre des performances exceptionnellement élevées. Le Problème : Certaines variables calculées utilisent des informations postérieures à la date de prédiction. Extrait logique actuelle : features = dataset.groupby('client').agg(total_spend_future) Contraintes : Identifier les variables introduisant fuite temporelle. Recalculer features uniquement à partir des données historiques disponibles au moment de prédiction. Livrable attendu : Proposer une correction complète du pipeline éliminant toute fuite d’information temporelle.